IJCAIFeb, 2020

我们距离有效的语境建模还有多远？关于上下文语义解析的探索性研究

PDF
TL;DR本文对语境建模方法在真实语义解析中的应用进行了探究，并提出了一种基于语法解码的语义解析器，适用于各种复杂领域。我们评估了 13 种语境建模方法，分析了最常见的语境现象，发现最佳模型在两个大型跨领域数据集上都取得了最先进的性能表现。
发现论文，激发创造
  • 上下文相关语义解析：综述

    该论文调查了上下文相关的语义解析的方法、数据集和任务，指出了未来研究中的开放性问题和挑战。

    Nov, 2020

  • 基于大型语言模型的神经语义解析器的说明（学生摘要）

    本研究探讨了解释大型语言模型在语义解析中成功的不同方法以及解释后的模型行为，并期望能激发未来研究更好地理解它们。

    Jan, 2023

  • 基于检索与元学习相结合的上下文相关语义解析

    本文提出一种方法，利用检索到的数据点作为上下文依赖的语义解析的支持证据，通过结合检索模型和元学习器实现。在 CONCODE 和 CSQA 数据集上的实验表明，这种方法在 JAVA 代码和对话历史上的环境下，都可以提高准确性，比检索和编辑的基线方法更有效。

    Jun, 2019

  • 利用全局上下文嵌入进行场景解析

    本文提出了基于参数化和非参数化模型的全局语境信息来进行场景解析，使用场景相似性训练上下文网络生成特征表示来生成空间和全局先验知识，然后将这些特征表示和先验知识嵌入到分割网络作为额外的全局上下文提示。实验表明该方法可以消除与全局上下文表示不兼容的误报，且在 MIT ADE20K 和 PASCAL Context 数据集上表现良好。

    Oct, 2017

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • 使用 LLMs 进行上下文话语解析的少样本适应性

    该研究评估基于大型语言模型的语义解析器处理上下文话语的能力，并考察了四种在对话式语义解析中适应上下文话语的范式的比较，研究表明 Rewrite-then-Parse 范式在综合考虑解析准确性、标注成本和错误类型时具有最大潜力。

    Sep, 2023

  • 三个生成、词素化的统计句法分析模型

    本文提出了一种新的统计分析模型，该模型是一种带有词汇化上下文无关文法的生成模型。我们扩展了该模型，包括对子范畴和 wh - 移位的概率处理。在《华尔街日报》文本中的结果显示，该解析器的成分精度 / 召回分别为 88.1/87.5％，平均优于（Collins 96）2.3％。

    Jun, 1997

  • 利用上下文嵌入的基于转移的抽象含义表示解析

    该论文提出了一种名为 AmrBerger 的新的语义分析器，它探索了预训练上下文感知的单词嵌入在 AMR 分析中的可用性，并发现这些丰富的词汇特征与额外的概念信息的结合可以提高系统的性能。同时，通过分析，也展现了上下文嵌入的优点和局限，这为进一步深入理解提供了启示。

    Jun, 2022

  • 有限上下文对成分句法分析的限制

    本文探讨了当前神经语法学习方法对句法结构的表征方式，以及限制神经语法学习方法的表征能力的主要因素，并利用概率上下文无关文法为基础，说明上下文对神经语法学习方法进行语法分析决策时的关键作用。

    Jun, 2021

  • 跨域上下文依赖语义解析的动态混合关系网络

    本文提出了一个动态图形框架，能够有效地建模上下文话语、令牌、数据库模式及其交互，并通过强大的重新排名模型进一步增强。该模型在 SParC 和 CoSQL 数据集上实现了新的最优表现。

    Jan, 2021